牛津布的生产质量检测系统及其方法与流程

1.本技术涉及智能检测领域，且更为具体地，涉及一种牛津布的生产质量检测系统及其方法。


背景技术：

2.牛津布是一种使用广泛的户外材料，由于其承受性能优异以及防水、抗紫外线等特性受到了用户的青睐。在牛津布的实际应用时，牛津布的品质和安全性对使用者来说至关重要。
3.然而，在牛津布的生产过程中，由于生产工艺和原材料质量的差异，不同厂家所生产的牛津布的品质存在差异，如纱线粗细差异、经纬密度差异和色泽差异等。传统的牛津布生产质量检测方法主要依靠人工目测，存在操作不规范、误差较大等问题，并且检测效率较低，难以满足实际的生产需求。
4.因此，期望一种优化的牛津布的生产质量检测系统。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种牛津布的生产质量检测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘处牛津布的检测图像中关于牛津布的质量隐含特征，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
6.根据本技术的一个方面，提供了一种牛津布的生产质量检测系统，其包括：
7.图像采集模块，用于获取由摄像头采集的待检测牛津布的检测图像；
8.图像预处理模块，用于对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；
9.图像分块模块，用于对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；
10.牛津布局部图像特征提取模块，用于将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；
11.差异性特征关联模块，用于计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；
12.特征优化模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
13.表观质量检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
14.在上述牛津布的生产质量检测系统中，所述图像分块模块，用于：对所述预处理后检测图像进行均匀分块处理以得到所述牛津布局部图像块的序列。
15.在上述牛津布的生产质量检测系统中，所述牛津布局部图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个牛津布局部图像块特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述牛津布局部图像块的序列中的各个牛津布局部图像块。
16.在上述牛津布的生产质量检测系统中，所述差异性特征关联模块，用于：以如下距离公式来计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的所述欧式距离；其中，所述公式为：
[0017][0018]
其中xi和yj分别表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量的各个位置的特征值，n表示特征向量的维度，也就是，各个牛津布局部图像块特征向量的长度为n，d表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离；以及，将所述多个欧式距离进行一维排列以得到所述分类特征向量。
[0019]
在上述牛津布的生产质量检测系统中，所述特征优化模块，用于：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：
[0020][0021]
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi'是所述优化分类特征向量的第i个位置的特征值。
[0022]
在上述牛津布的生产质量检测系统中，所述表观质量检测模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量；以及，分类结果生成单元，用于将所述优化编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0023]
根据本技术的另一方面，提供了一种牛津布的生产质量检测方法，其包括：
[0024]
获取由摄像头采集的待检测牛津布的检测图像；
[0025]
对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；
[0026]
对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；
[0027]
将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；
[0028]
计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；
[0029]
对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
[0030]
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
[0031]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的牛津布的生产质量检测方法。
[0032]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的牛津布的生产质量检测方法。
[0033]
与现有技术相比，本技术提供的一种牛津布的生产质量检测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘处牛津布的检测图像中关于牛津布的质量隐含特征，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
附图说明
[0034]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]
图1为根据本技术实施例的牛津布的生产质量检测系统的场景示意图；
[0036]
图2为根据本技术实施例的牛津布的生产质量检测系统的框图；
[0037]
图3为根据本技术实施例的牛津布的生产质量检测系统的系统架构图；
[0038]
图4为根据本技术实施例的牛津布的生产质量检测系统中卷积神经网络编码的流程图；
[0039]
图5为根据本技术实施例的牛津布的生产质量检测系统中表观质量检测模块的框图；
[0040]
图6为根据本技术实施例的牛津布的生产质量检测方法的流程图；
[0041]
图7为根据本技术实施例的电子设备的框图。
具体实施方式
[0042]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0043]
申请概述
[0044]
如上所述，在牛津布的实际应用时，牛津布的品质和安全性对使用者来说至关重要。然而，在牛津布的生产过程中，由于生产工艺和原材料质量的差异，不同厂家所生产的牛津布的品质存在差异，如纱线粗细差异、经纬密度差异和色泽差异等。传统的牛津布生产质量检测方法主要依靠人工目测，存在操作不规范、误差较大等问题，并且检测效率较低，难以满足实际的生产需求。因此，期望一种优化的牛津布的生产质量检测系统。
[0045]
相应地，考虑到在牛津布的实际生产过程中，为了保证牛津布的品质和安全性，期望对牛津布的纱线粗细、经纬密度、色泽进行在线监测和分析，以优化牛津布的生产效率和
质量，这可以通过对于牛津布的检测图像进行采集分析来实现。但是，由于所述牛津布的检测图像中存在有大量的干扰信息，并且关于牛津布的纱线、经纬密度和色泽等特征信息在图像中为小尺度的隐含特征，难以对其均一性和优良性进行有效地检测。因此，在此过程中，难点在于如何进行所述牛津布的检测图像中关于牛津布的质量隐含特征分布信息进行充分表达，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0046]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述牛津布的检测图像中关于牛津布的质量隐含特征分布信息提供了新的解决思路和方案。
[0047]
具体地，在本技术的技术方案中，首先，通过摄像头采集待检测牛津布的检测图像。应可以理解，所述待检测牛津布的检测图像与背景颜色相近,会导致对比度不明显，也就是说，背景信息会影响到所述待检测牛津布的表观质量特征的提取和识别。如果将所述检测图像的原始图片直接放进编码器中进行图像特征提取,会影响最终的对于牛津布表观质量检测的精准度。因此，为了提高所述待检测牛津布的检测图像的对比度,以提高牛津布表观质量特征的表达能力，需要对原始图片进行图像预处理。也就是，对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像。
[0048]
更具体地，对所述待检测牛津布的检测图像进行图像预处理方式可以为对图像进行灰度转换、图像标准化、对比度受限自适应直方图均衡化(clahe)和伽马校正处理。应可以理解，灰度转换能够将彩色图片转换成灰度图像，以降低图像数据量，使处理速度更快，并且简化后续的图像处理流程。同时，灰度图像也更具有鲁棒性，可以抑制光照变化等因素对牛津布的表观质量检测造成的影响。并且，由于牛津布在不同角度、姿态、表情、光照条件下会产生不同质量表观状态的变化，因此对所述检测图像进行标准化有助于保持尺度一致性，从而更好地提取出表观质量的特征。标准化方法包括图像旋转和缩放等调整。clahe是一种对图像局部对比度进行自适应调整的方法，可以增强图像的细节和边缘信息，并且可以抑制局部背景亮度变化对牛津布的表观质量检测的影响。此外，clahe算法还可以避免全局直方图均衡化的不良影响，如噪声大大增加等问题。伽马校正是一种非线性方式处理图像亮度变化，可以在保持图像的颜色信息不变的情况下，对亮度传感器不同之处进行修正，从而优化图像的细节和清晰度。这种预处理方法也可以降低图像的噪声影响，为后续的特征提取和牛津布表观质量检测提供更好的数据支持。
[0049]
然后，考虑到由于所述预处理后检测图像中关于牛津布的表观质量的隐含特征为小尺度的细微特征，例如牛津布的纱线粗细、经纬密度和色泽特征信息，为了能够提高所述预处理后检测图像中关于牛津布的表观质量特征的表达能力，以此来提高表观质量检测的精准度，在本技术的技术方案中，进一步对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列。应可以理解，所述牛津布局部图像块的序列中的各个牛津布局部图像块的尺度相较于原图像被缩减，因此，所述预处理后检测图像中关于小尺寸的牛津布表观质量隐含特征在所述各个牛津布局部图像块中不再是小尺寸对象，有利于后续进行所述待检测牛津布的表观质量隐含特征的表达和牛津布质量检测。
[0050]
接着，再使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述牛津布局部图像块的序列中的各个牛津布局部图像块的特征挖掘，以分别提取出所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征分布信息，例如
牛津布的纱线粗细、经纬密度和色泽高维隐含特征信息，从而得到多个牛津布局部图像块特征向量。
[0051]
进一步地，考虑到牛津布的表观质量，包括纱线粗细、经纬密度和色泽隐含特征信息在实际监测的过程中并不明显，并且还考虑到若牛津布的表观质量满足预定要求，那么所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征信息之间的相似性程度较高，也就是说，牛津布的表观质量特征在各个图像块之间具有着较高均一性，即差异性较小。因此，在本技术的技术方案中，为了提高对于牛津布的表观质量检测的精准度，计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离，以此来表示所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征信息之间的差异性特征分布信息，从而得到由多个欧式距离组成的分类特征向量。
[0052]
接着，再将所述分类特征向量通过分类器中进行分类处理，以得到用于表示待检测牛津布的表观质量是否符合预定标准的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括待检测牛津布的表观质量符合预定标准(第一标签)，以及，待检测牛津布的表观质量不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“待检测牛津布的表观质量是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，待检测牛津布的表观质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“待检测牛津布的表观质量是否符合预定标准”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为待检测牛津布的表观质量是否符合预定标准的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0053]
特别地，在本技术的技术方案中，这里，由于牛津布局部图像块特征向量之间的欧式距离表达牛津布局部图像块的图像语义特征在高维特征空间内的绝对相关性，而在检测图像进行图像分块处理时，其图像分块的语义分割并不均匀，这就使得所述牛津布局部图像块特征向量表达的图像语义特征的整体分布之间存在比较明显的相关性差异，导致所得到的欧式距离值组成的所述分类特征向量的某些局部分布存在相关度偏高的问题，使得所述分类特征向量存在概率密度维度下的区分度问题，从而影响所述分类特征向量在分类任务下的类概率表达，降低了所述分类特征向量通过分类器得到的分类结果的准确性。
[0054]
因此，本技术的申请人对所述分类特征向量v进行高斯概率密度的流形曲面维度正交化，具体表示为：
[0055][0056]
其中μ和σ是特征值集合vi∈v的均值和标准差，且vi'是优化后的所述分类特征向量的第i个位置的特征值。
[0057]
这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量v的高维特征流形的流形曲
面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够准确地进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0058]
基于此，本技术提出了一种牛津布的生产质量检测系统，其包括：图像采集模块，用于获取由摄像头采集的待检测牛津布的检测图像；图像预处理模块，用于对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；图像分块模块，用于对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；牛津布局部图像特征提取模块，用于将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；差异性特征关联模块，用于计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；特征优化模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，表观质量检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
[0059]
图1为根据本技术实施例的牛津布的生产质量检测系统的场景示意图。如图1所示，在该应用场景中，通过是摄像头(例如，如图1中所示意的c)获取待检测牛津布的检测图像。接着，将上述检测图像输入至部署有用于牛津布的生产质量检测算法的服务器(例如，图1中的s)中，其中，所述服务器能够以所述牛津布的生产质量检测算法对上述输入的图像进行处理，以生成用于表示待检测牛津布的表观质量是否符合预定标准的分类结果。
[0060]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0061]
示例性系统
[0062]
图2为根据本技术实施例的牛津布的生产质量检测系统的框图。如图2所示，根据本技术实施例的牛津布的生产质量检测系统300，包括：图像采集模块310；图像预处理模块320；图像分块模块330；牛津布局部图像特征提取模块340；差异性特征关联模块350；特征优化模块360；以及，表观质量检测模块370。
[0063]
其中，所述图像采集模块310，用于获取由摄像头采集的待检测牛津布的检测图像；所述图像预处理模块320，用于对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；所述图像分块模块330，用于对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；所述牛津布局部图像特征提取模块340，用于将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；所述差异性特征关联模块350，用于计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；所述特征优化模块360，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，所述表观质量检测模块370，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
[0064]
图3为根据本技术实施例的牛津布的生产质量检测系统的系统架构图。如图3所示，在该网络架构中，首先通过所述图像采集模块310获取由摄像头采集的待检测牛津布的检测图像；接着，所述图像预处理模块320对所述图像采集模块310获取的待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；所述图像分块模块330对所述图像预处理模块320得到的预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；所述牛津布局部图像特征提取模块340将所述图像分块模块330得到的牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；然后，所述差异性特征关联模块350计算所述牛津布局部图像特征提取模块340得到的多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；然后，所述特征优化模块360对所述差异性特征关联模块350计算所得的分类特征向量进行特征分布优化以得到优化分类特征向量；进而，所述表观质量检测模块360将所述特征优化模块360得到的优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
[0065]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述图像采集模块310，用于获取由摄像头采集的待检测牛津布的检测图像。应可以理解，在牛津布的实际生产过程中，可通过对牛津布的纱线粗细、经纬密度、色泽进行在线监测和分析，以优化牛津布的生产效率和质量，由于上述参考信息可以在牛津布的检测图像中进行特征挖掘分析，因此，在本技术的技术方案中，首先，可通过摄像头来获取待检测牛津布的检测图像。
[0066]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述图像预处理模块320，用于对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像。应可以理解，所述待检测牛津布的检测图像与背景颜色相近,会导致对比度不明显，也就是说，背景信息会影响到所述待检测牛津布的表观质量特征的提取和识别。如果将所述检测图像的原始图片直接放进编码器中进行图像特征提取,会影响最终的对于牛津布表观质量检测的精准度。因此，为了提高所述待检测牛津布的检测图像的对比度,以提高牛津布表观质量特征的表达能力，需要对原始图片进行图像预处理。也就是，对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像。更具体地，对所述待检测牛津布的检测图像进行图像预处理方式可以为对图像进行灰度转换、图像标准化、对比度受限自适应直方图均衡化(clahe)和伽马校正处理。应可以理解，灰度转换能够将彩色图片转换成灰度图像，以降低图像数据量，使处理速度更快，并且简化后续的图像处理流程。同时，灰度图像也更具有鲁棒性，可以抑制光照变化等因素对牛津布的表观质量检测造成的影响。并且，由于牛津布在不同角度、姿态、表情、光照条件下会产生不同质量表观状态的变化，因此对所述检测图像进行标准化有助于保持尺度一致性，从而更好地提取出表观质量的特征。标准化方法包括图像旋转和缩放等调整。clahe是一种对图像局部对比度进行自适应调整的方法，可以增强图像的细节和边缘信息，并且可以抑制局部背景亮度变化对牛津布的表观质量检测的影响。此外，clahe算法还可以避免全局直方图均衡化的不良影响，如噪声大大增加等问题。伽马校正是一种非线性方式处理图像亮度变化，可以在保持图像的颜色信息不变的情况下，对亮度传感器不同之处进行修正，从而优化图像的细节和清晰度。这种预处理方法也可以降低图像的噪声影响，为后续的特征提取和牛津布表观质量检测提供更好的数据支
持。
[0067]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述图像分块模块330，用于对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列。在本技术的技术方案中，由于所述预处理后检测图像中关于牛津布的表观质量的隐含特征为小尺度的细微特征，例如牛津布的纱线粗细、经纬密度和色泽特征信息，为了能够提高所述预处理后检测图像中关于牛津布的表观质量特征的表达能力，以此来提高表观质量检测的精准度，在本技术的技术方案中，进一步对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列。应可以理解，所述牛津布局部图像块的序列中的各个牛津布局部图像块的尺度相较于原图像被缩减，因此，所述预处理后检测图像中关于小尺寸的牛津布表观质量隐含特征在所述各个牛津布局部图像块中不再是小尺寸对象，有利于后续进行所述待检测牛津布的表观质量隐含特征的表达和牛津布质量检测。在本技术的一个具体示例中，可通过对所述预处理后检测图像进行均匀分块的处理以得到所述牛津布局部图像块的序列。
[0068]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述牛津布局部图像特征提取模块340，用于将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量。也就是，在得到所述牛津布局部图像块的序列后，进一步使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来对所述牛津布局部图像块的序列中的各个牛津布局部图像块进行特征挖掘，以此来分别提取出所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征分布信息，例如牛津布的纱线粗细、经纬密度和色泽高维隐含特征信息。在一个示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
[0069]
图4为根据本技术实施例的牛津布的生产质量检测系统中卷积神经网络编码的流程图。如图4所示，在所述卷积伸进网络的编码过程中，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个牛津布局部图像块特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述牛津布局部图像块的序列中的各个牛津布局部图像块。
[0070]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述差异性特征关联模块350，用于计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量。考虑到牛津布的表观质量，包括纱线粗细、经纬密度和色泽隐含特征信息在实际监测的过程中并不明显，并且还考虑到若牛津布的表观质量满足预定要求，那么所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征信息之间的相似性程度较高，也就是说，牛津布的表观质量特征在
各个图像块之间具有着较高均一性，即差异性较小。因此，在本技术的技术方案中，为了提高对于牛津布的表观质量的检测的精确度，计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向之间的欧氏距离，以此来表示所述各个牛津布局部图像块中关于牛津布的表观质量隐含特征信息之间的差异性分布信息。在本技术的一个具体示例中，首先，以如下距离公式来计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的所述欧式距离；其中，所述公式为：
[0071][0072]
其中xi和yj分别表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量的各个位置的特征值，n表示特征向量的维度，也就是，各个牛津布局部图像块特征向量的长度为n，d表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离；然后，再将所述多个欧氏距离进行一维排列以得到所述分类特征向量。
[0073]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述特征优化模块360，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量。在本技术的技术方案中，由于牛津布局部图像块特征向量之间的欧氏距离表达牛津布局部图像块的图像语义特征在高维空间内的绝对相关性，而在检测图像进行图像分块时，其图像分块的语义分割并不均匀，这就会使得所述牛津布局部图像块特征向量表达的图像语义特征的整体分布之间存在比较明显的相关性差异，导致所得到的欧式距离值组成的所述分类特征向量的某些局部分布存在相关度偏高的问题，使得所述分类特征向量存在概率密度维度下的区分度问题，从而影响所述分类特征向量在分类任务下的类概率表达，降低了所述分类特征向量通过分类器得到的分类结果的准确性。因此，在本技术的技术方案中，对所述分类特征向量进行高斯概率密度的流行曲面维度正交化，具体地：
[0074][0075]
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi'是所述优化分类特征向量的第i个位置的特征值。这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量v的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够准确地进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0076]
具体地，在所述牛津布的生产质量检测系统300的运行过程中，所述表观质量检测模块370，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。也就是，在得到所述优化分类特征向量后，进一步将其作为分类特征向量通过分类器以获得用于表示待检测牛津布的表观质量是否
符合预定标准的分类结果，具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述优化分类特征向量进行多次全连接编码以得到优化编码分类特征向量；进而，将所述优化编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本技术的技术方案中，所述分类器的标签包括待检测牛津布的表观质量符合预定标准(第一标签)，以及，待检测牛津布的表观质量不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“待检测牛津布的表观质量是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，待检测牛津布的表观质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“待检测牛津布的表观质量是否符合预定标准”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为待检测牛津布的表观质量是否符合预定标准的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0077]
图5为根据本技术实施例的牛津布的生产质量检测系统中表观质量检测模块的框图。如图5所示，所述表观质量检测模块370，包括：全连接编码单元371，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量；以及，分类结果生成单元372，用于将所述优化编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0078]
综上，根据本技术实施例的牛津布的生产质量检测系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘处牛津布的检测图像中关于牛津布的质量隐含特征，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0079]
如上所述，根据本技术实施例的牛津布的生产质量检测系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的牛津布的生产质量检测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该牛津布的生产质量检测系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该牛津布的生产质量检测系统300同样可以是该终端设备的众多硬件模块之一。
[0080]
替换地，在另一示例中，该牛津布的生产质量检测系统300与该终端设备也可以是分立的设备，并且该牛津布的生产质量检测系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0081]
示例性方法
[0082]
图6为根据本技术实施例的牛津布的生产质量检测方法的流程图。如图6所示，根据本技术实施例的牛津布的生产质量检测方法，包括步骤：s110，获取由摄像头采集的待检测牛津布的检测图像；s120，对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；s130，对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像
块的序列；s140，将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；s150，计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；s160，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，s170，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。
[0083]
在一个示例中，在上述牛津布的生产质量检测方法中，所述步骤s130，包括：对所述预处理后检测图像进行均匀分块处理以得到所述牛津布局部图像块的序列。
[0084]
在一个示例中，在上述牛津布的生产质量检测方法中，所述步骤s140，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个牛津布局部图像块特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述牛津布局部图像块的序列中的各个牛津布局部图像块。
[0085]
在一个示例中，在上述牛津布的生产质量检测方法中，所述步骤s150，包括：以如下距离公式来计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的所述欧式距离；其中，所述公式为：
[0086][0087]
其中xi和yj分别表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量的各个位置的特征值，n表示特征向量的维度，也就是，各个牛津布局部图像块特征向量的长度为n，d表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离；以及，将所述多个欧式距离进行一维排列以得到所述分类特征向量。
[0088]
在一个示例中，在上述牛津布的生产质量检测方法中，所述步骤s160，包括：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：
[0089][0090]
其中vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi'是所述优化分类特征向量的第i个位置的特征值。
[0091]
在一个示例中，在上述牛津布的生产质量检测方法中，所述步骤s170，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量；以及，将所述优化编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0092]
综上，根据本技术实施例的牛津布的生产质量检测方法被阐明，其通过采用基于
深度学习的神经网络模型挖掘处牛津布的检测图像中关于牛津布的质量隐含特征，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。
[0093]
示例性电子设备
[0094]
下面，参考图7来描述根据本技术实施例的电子设备。
[0095]
图7图示了根据本技术实施例的电子设备的框图。
[0096]
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
[0097]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0098]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的牛津布的生产质量检测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征向量等各种内容。
[0099]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0100]
该输入装置13可以包括例如键盘、鼠标等等。
[0101]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0102]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0103]
示例性计算机程序产品和计算机可读存储介质
[0104]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的牛津布的生产质量检测方法中的功能中的步骤。
[0105]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0106]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的牛津布的生产质量检测方法中的功能中的步骤。
[0107]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可
以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0108]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0109]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0110]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0111]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0112]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种牛津布的生产质量检测系统，其特征在于，包括：图像采集模块，用于获取由摄像头采集的待检测牛津布的检测图像；图像预处理模块，用于对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；图像分块模块，用于对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；牛津布局部图像特征提取模块，用于将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；差异性特征关联模块，用于计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；特征优化模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及表观质量检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。2.根据权利要求1所述的牛津布的生产质量检测系统，其特征在于，所述图像分块模块，用于：对所述预处理后检测图像进行均匀分块处理以得到所述牛津布局部图像块的序列。3.根据权利要求2所述的牛津布的生产质量检测系统，其特征在于，所述牛津布局部图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个牛津布局部图像块特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述牛津布局部图像块的序列中的各个牛津布局部图像块。4.根据权利要求3所述的牛津布的生产质量检测系统，其特征在于，所述差异性特征关联模块，用于：以如下距离公式来计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的所述欧式距离；其中，所述公式为：其中x
i
和y
j
分别表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量的各个位置的特征值，n表示特征向量的维度，也就是，各个牛津布局部图像块特征向量的长度为n，d表示所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离；以及将所述多个欧式距离进行一维排列以得到所述分类特征向量。
5.根据权利要求4所述的牛津布的生产质量检测系统，其特征在于，所述特征优化模块，用于：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：其中v
i
是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且v
i
'是所述优化分类特征向量的第i个位置的特征值。6.根据权利要求5所述的牛津布的生产质量检测系统，其特征在于，所述表观质量检测模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量；以及分类结果生成单元，用于将所述优化编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。7.一种牛津布的生产质量检测方法，其特征在于，包括：获取由摄像头采集的待检测牛津布的检测图像；对所述待检测牛津布的检测图像进行图像预处理以得到预处理后检测图像；对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列；将所述牛津布局部图像块的序列中的各个牛津布局部图像块通过作为过滤器的卷积神经网络模型以得到多个牛津布局部图像块特征向量；计算所述多个牛津布局部图像块特征向量中任意两个牛津布局部图像块特征向量之间的欧式距离以得到由多个欧式距离组成的分类特征向量；对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准。8.根据权利要求7所述的一种牛津布的生产质量检测方法，其特征在于，对所述预处理后检测图像进行图像分块处理以得到牛津布局部图像块的序列，包括：对所述预处理后检测图像进行均匀分块处理以得到所述牛津布局部图像块的序列。9.根据权利要求8所述的一种牛津布的生产质量检测方法，其特征在于，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：其中v
i
是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且v
i
'是所述优化分类特征向量的第i个位置的特征
值。10.根据权利要求9所述的一种牛津布的生产质量检测方法，其特征在于，将所述优化分类特征向量通过分类器以得到所述分类结果，所述分类结果用于表示待检测牛津布的表观质量是否符合预定标准，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量；以及将所述优化编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

技术总结
本申请涉及智能检测领域，其具体地公开了一种牛津布的生产质量检测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘处牛津布的检测图像中关于牛津布的质量隐含特征，以此来进行牛津布的表观质量检测，以保证牛津布的品质和安全性。布的品质和安全性。布的品质和安全性。


技术研发人员：李信德 陈德选 郑和乐
受保护的技术使用者：江西中亚科技有限公司
技术研发日：2023.07.14
技术公布日：2023/10/15